طراحی معماری شخصی سازی مسیر یادگیری کارکنان با استفاده از تحلیل پیش بتی و مدل های هوش مصنوعی مولد (مطالعه موردی: عوامل هوشمند Oracle در HCM)

در عصر تحول دیجیتال، شکاف مهارتی به عنوان یکی از چالش های اساسی سازمان ها شناخته می شود. روش های سنتی آموزش کارکنان، مبتنی بر دوره های از پیش تعیین شده و یکسان برای همه، نه تنها کارایی لازم را ندارند، بلکه قادر به همگامی با سرعت تغییرات مهارت های مورد نیاز بازار کار نیستند. این مقاله با هدف طراحی یک معماری جامع برای شخصی سازی مسیر یادگیری کارکنان، با استفاده از ترکیب تحلیل پیش بتی و مدل های هوش مصنوعی مولد ارائه شده است. مطالعه موردی این پژوهش بر روی عوامل هوشمند در Oracle Fusion Cloud HCM متمرکز است که به عنوان یکی از پیشرفته ترین بسترهای پیاده سازی یادگیری شخصی سازی شده در سطح سازمانی محسوب می شود. پژوهش حاضر از نوع توسعه ای-کاربردی است و با روش طراحی سیستم ها و شبیه سازی معماری انجام شده است. ابتدا با مرور نظام مند ادبیات موضوع در پایگاه های Scopus، IEEE و ScienceDirect (بازه ۲۰۲۲-۲۰۲۶)، مولفه های کلیدی شخصی سازی یادگیری شامل مدل سازی مهارت، تحلیل شکاف، توصیه گری تطبیقی و بازخورد پیش بتی استخراج شد. سپس بر اساس مستندات فنی Oracle و گزارش های پیاده سازی در سازمان های پیشرو، معماری لایه ای متشکل از چهار لایه اصلی طراحی گردید: (۱) لایه گردآوری داده (شامل داده های پروفایل شغلی، سوابق یادگیری، ارزیابی عملکرد و داده های تعاملی)، (۲) لایه تحلیل و مدل سازی (شامل موتور تحلیل شکاف مهارتی با قابلیت پیش بتی، مدل های نهفته کارکنان-شغل، و عوامل هوشمند مولد محتوا)، (۳) لایه تطبیق و توصیه گری (شامل الگوریتم های توصیه گر ترکیبی با در نظر گرفتن اولویت های شغلی، انگیزش و سبک یادگیری)، و (۴) لایه ارائه و بازخورد (شامل داشبورد شخصی، مسیر یادگیری پویا و بازخورد بلادرنگ). یافته های شبیه سازی معماری در سناریوی یک سازمان با ۱۰,۰۰۰ کارمند نشان داد که استفاده از عوامل هوشمند Oracle نظیر Gap Recommender، Dynamic Skills و Job Skills Enrichment Agent می تواند نرخ تطابق مسیر یادگیری با نیازهای شغلی را تا ۵۷٪ نسبت به روش سنتی افزایش دهد. همچنین عوامل هوش مصنوعی مولد با تولید خودکار محتوای یادگیری شخصی سازی شده (مانند سناریوهای شبیه سازی، خلاصه سازی اسناد و تولید سوالات ارزیابی)، زمان تدوین دوره های آموزشی را تا ۷۰٪ کاهش می دهند. معماری پیشنهادی دارای چهار سطح بلوغ (ابتدایی، واکنشی، پیش بتی و مولد-تطبیقی) است و برای هر سطح، شاخص های کلیدی عملکرد (KPI) تعریف شده است. در پایان، چارچوب پیاده سازی گام به گام برای سازمان های ایرانی با در نظر گرفتن محدودیت های زیرساختی و فرهنگی ارائه می شود.

کلیدواژه ها:

شخصی سازی یادگیری ، تحلیل پیش بتی ، هوش مصنوعی مولد ، عوامل هوشمند ، Oracle HCM ، شکاف مهارتی ، مسیر یادگیری تطبیقی